(0721) 8030188    [email protected]   

IMPLEMENTASI ARSITEKTUR MOBILENET PADA MODEL KLASIFIKASI JENIS JERAWAT INFLAMASI BERDASARKAN CITRA


Secara umum, jerawat dikategorikan dalam dua jenis, yaitu jerawat non inflamasi dan jerawat inflamasi (papula, pustula, nodula, dan kistik). Keterbatasan waktu, biaya, hingga akses menjadikan penderita jerawat melakukan penanganan secara mandiri yang mengakibatkan upaya pemulihan kurang maksimal karena penanganan tidak bersumber oleh ahli. Berdasarkan permasalahan tersebut, maka dilakukan penelitian untuk mengklasifikasikan jenis jerawat inflamasi menggunakan pendekatan Deep Learning dengan arsitektur MobileNetV2. Penelitian ini bertujuan untuk membangun model klasifikasi yang dapat mengidentifikasi empat jenis jerawat inflamasi berdasarkan citra wajah. Proses pelatihan dilakukan dengan melakukan hyperparameter tuning berupa optimizer, batch size, dan learning rate. Hasil pengujian menunjukan bahwa model MobileNetV2 dengan optimizer Adam, batch size 64, dan learning rate 0,001 menghasilkan rata-rata accuracy sebesar 0,66, precision 0,67, recall 0,66, serta nilai rata-rata f1-score sebesar 0,65. Model tersebut dipilih sebagai model final yang kemudian diuji dengan data primer. Hasil pengujian menunjukan hasil accuracy sebesar 0,73, precision 0,71, recall 0,73 serta f1-score 0,70. Evaluasi menunjukkan bahwa model secara konsisten dapat mengklasifikasikan jerawat papula dan kistik dengan baik, diikuti dengan pustula, sedangkan nodula mengalami kesalahan identifikasi yang cukup tinggi. Hal tersebut disebabkan karena ketidakkonsistenan sudut pengambilan gambar serta variasi pencahayaan pada dataset. Ketidakkonsistenan ini sangat berpengaruh pada ciri khas visual masing-masing kelas jerawat seperti tekstur dan kedalaman.

URI
https://repo.itera.ac.id/depan/submission/SB2509020031

Keyword
Identifikasi Penyakit Klasifikasi Jerawat Jerawat Inflamasi CNN MobileNet